Google AI 又来放大招，放射科医生会被取代吗？

据 VentureBeat报道，Google AI 利用人工智能系统，借助数千个带有高质量标签的数据库，精准解读胸部 X 射线图像。论文已发表在《自然》杂志。

近年来，Google AI 不断将目光投向医疗领域。去年，纽约大学利用 Google 的 Inception v3 机器学习模型检测出肺癌。今年 5 月，Google AI 和美国西北大学医学院的科学家们创建模型，通过筛查检测出肺癌，水平超过了有 8 年经验的放射科医生。

此外，Google AI 曾通过眼部扫描，诊断糖尿病视网膜病变的进展；Alphabet 子公司 DeepMind 的 AI 曾为 50 种眼部疾病推荐合适的治疗方案，准确率高达 94%。

那么，胸部 X 射线图像解读是否也可以与人工智能相结合？

实际上，用机器学习算法分析胸部 X 射线图像，说起来容易做起来难。这是由于在通常情况下，训练算法所需的临床标签，是通过基于规则的自然语言处理或人工注释获得的，两者往往不一致，且错误较多。同时，仅以图像为依据，很难收集包含大量病例的数据库，并建立一致的、具有临床意义的标签。

近日，为推进 X 射线图像分类的目标，Google 的研究人员发现，利用人工智能模型分析胸部 X 射线图像，可检测四项指标：气胸（肺萎陷）、结节和肿块、骨折和气腔模糊（树芽征）。在一篇发表在《自然》（Nature）杂志的论文中，研究小组称，经专家独立审查，这一模型已达到放射科医生的水平。

这项最新研究，利用了来自两个反识别数据库的 60 多万张图像。其一是与印度阿波罗医院合作开发的数据库，包含多年来从各地收集到的 X 射线。其二是由美国国立卫生研究院发布的 ChestX-ray14 公开图像库，该图像库曾为人工智能研究提供支持，但在准确性方面存在不足。

纵观整个研究，首先，研究人员开发了一个基于文本的系统，提取每张 X 光片的放射学报告并加以运用，为阿波罗医院数据库中超过 56 万幅图像提供标签。为了减少基于文本的标签提取过程中可能出现的错误，并为若干 ChestX-ray14 图像提供相关标签，他们专门招募放射科医生，检查这两个数据库中的约 3.7 万幅图像。

下一步是生成用于模型评估的高质量参考标签。三名放射科医生通过小组合作的形式，审查所有结果，测试数据库图像，并在线讨论解决相互之间的分歧。这项研究的合著者也表示，通过这种方式，原先只能通过放射科医生检测到的结果，也能被准确地识别并记录下来。

Google 指出，尽管这些模型的准确性总体上达到了专家水平，但各个数据库的结果却各不相同。例如，对于 ChestX-ray14 图像，同一放射科医生检测气胸的灵敏度约为 79%，但对于其他数据库，检测气胸的灵敏度仅有 52%。

Google 科学家 David Steiner 博士和 Google Health 技术负责人 Shravya Shetty 均为该论文做了贡献，两人在一篇博客中提到：

数据库之间的差异，证明了建立具有明确参考指标的标准化评估图像库的必要性，方便在不同研究之间进行比较。但同时，将人工智能和放射科医生各自的优势相结合，很可能是人工智能应用于医学图像解读的最佳方式。

研究小组已经在开源中创建了 ChestX-ray14 数据库，数据库包含 2412 个训练、验证集图像，1962 个测试集图像，总共 4374 个图像。David Steiner 和 Shravya Shetty 表示，他们希望通过 ChestX-ray14 数据库的判定标签，为以后的机器学习奠定基础，并推动机器学习模型之间的比较，从而更精准地解读胸部 X 射线图像。

雷锋网年度评选——寻找19大行业的最佳AI落地实践

创立于2017年的「AI最佳掘金案例年度榜单」，是业内首个人工智能商业案例评选活动。雷锋网从商用维度出发，寻找人工智能在各个行业的最佳落地实践。